ПОРІВНЯННЯ РІЗНИХ КОНФІГУРАЦІЙ МОДЕЛІ GAN НА БАЗІ СЕРВІСУ ХМАРНИХ ОБЧИСЛЕНЬ AWS

Анотація

У роботі було розглянуто модель машинного навчання, яка реалізує концепцію машинного мистецтва. За основу було взято такий алгоритм штучного інтелекту як Генеративна змагальна мережа (Generative adversarial network, GAN). Порівняно різні конфігурації цієї моделі. Для реалізації моделі було обрано мову програмування Julia. Також було проаналізовано продуктивність моделі на різних платформах, зокрема на базі сервісу хмарних обчислень AWS. В результаті дослідження було розроблено оптимальну конфігурацію моделі; запропоновано комбінацію підходів для навчання моделі; визначено найбільш продуктивну платформу для навчання моделі. Метою роботи є розробка оптимальної конфігурації системи для ефективного навчання моделі машинного навчання, яка реалізує концепцію машинного мистецтва. Конфігурація системи передбачає такі аспекти як архітектура моделі, алгоритм навчання та платформа, на якій цей алгоритм буде виконуватись. Кожен з цих аспектів опрацьований та запропоновано рішення, яке покаже найкращі результати замірів продуктивності. Методологія вирішення поставленого завдання полягає в проведенні порівняльного аналізу показників продуктивності різних конфігурацій системи, які запроваджені з урахуванням попередніх досліджень моделей машинного мистецтва, які реалізують концепцію машинного мистецтва. Наукова новизна. В ході виконання роботи набув подальший розвиток напрямок застосування мови програмування Julia на базі сервісу хмарних обчислень AWS. Вперше запропоновано ефективний варіант програмної та апаратної конфігурації системи для навчання моделі машинного навчання, яка реалізує концепцію машинного мистецтва. Висновки. Результати даної роботи можуть бути використані для реалізації ефективної системи для навчання моделі машинного навчання, яка реалізує концепцію машинного мистецтва, та в подальших дослідженнях перспектив використання мови програмування Julia в поєднанні з сервісом хмарних обчислень AWS. Всі отримані результати замірів продуктивності та якості навчання різних конфігурації подано в таблицях та графіках.